Vers une meilleure compréhension des stratégies mobilisées pour surmonter des difficultés rencontrées en stage
Bibliographic record
Abstract
Les stages en enseignement représentent des moments uniques pour soutenir l’apprentissage et le développement des compétences. Toutefois, les stages sont aussi des moments à haut potentiel de difficultés (Desbiens et al., 2019a). Cet article a pour but de dégager les difficultés rencontrées par neuf personnes stagiaires et d’analyser les stratégies mobilisées pour les surmonter. S’appuyant sur les quatre grandes catégories de stratégies d’apprentissage, soit les stratégies cognitives, métacognitives, affectives et de gestion des ressources, cette recherche présentera des résultats provenant de deux entretiens semi-dirigés et deux entretiens d’explicitation. L’analyse inductive des données démontre, dans un premier temps, une prédominance des difficultés interactionnelles et organisationnelles vécues durant les stages. Dans un deuxième temps, les résultats permettent de constater que les personnes stagiaires tendent à mobiliser des stratégies de gestion des ressources et métacognitives pour surmonter les difficultés rencontrées en stage.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.009 | 0.012 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".